[論文レビュー] An edge density definition of overlapping and weighted graph communities

Richard K. Darst David R. Reichman Peter Ronhovde, Zohar Nussinov|arXiv (Cornell University)|Jan 14, 2013

Complex Network Analysis Techniques被引用数 8

ひとこと要約

この論文は、重み付きおよび重複するグラフコミュニティを扱えるエッジ密度に基づく定義を導入し、絶対Pottsモデルと同等であることを示し、マルチグラフ、重複コミュニティ、局所的アルゴリズムの処理が可能である。この手法は、アフィリエーショングラフモデルなどのベンチマークと照合され、解像度の限界に起因する問題を回避する、解析的に整合性のあるコミュニティ検出のフレームワークを提供する。

ABSTRACT

Community detection in networks refers to the process of seeking strongly internally connected groups of nodes which are weakly externally connected. In this work, we introduce and study a community definition based on internal edge density. Beginning with the simple concept that edge density equals number of edges divided by maximal number of edges, we apply this definition to a variety of node and community arrangements to show that our definition yields sensible results. Our community definition is equivalent to that of the Absolute Potts Model community detection method (Phys. Rev. E 81, 046114 (2010)), and the performance of that method validates the usefulness of our definition across a wide variety of network types. We discuss how this definition can be extended to weighted, and multigraphs, and how the definition is capable of handling overlapping communities and local algorithms. We further validate our definition against the recently proposed Affiliation Graph Model (arXiv:1205.6228 [cs.SI]) and show that we can precisely solve these benchmarks. More than proposing an end-all community definition, we explain how studying the detailed properties of community definitions is important in order to validate that definitions do not have negative analytic properties. We urge that community definitions be separated from community detection algorithms and propose that community definitions be further evaluated by criteria such as these.

研究の動機と目的

• 重複および重み付きネットワークに適用可能な数学的に厳密なエッジ密度に基づくグラフコミュニティの定義を開発すること。
• この定義が、モジュラリティに基づく手法に共通する解像度の限界問題を回避することを示すこと。
• アフィリエーショングラフモデルや絶対Pottsモデルなどの確立されたベンチマークと照合して、定義を検証すること。
• コミュニティ定義と検出アルゴリズムを分離し、一貫性や解析的整合性などの基準を用いた定義の形式的評価を提唱すること。
• 重複および局所的コミュニティに特化したFスコアメトリクスを用いたコミュニティ検出手法の評価フレームワークを提供すること。

提案手法

• ノード部分集合内の実際のエッジ数と最大可能エッジ数の比としてコミュニティ密度を定義し、コミュニティ定義の核とする。
• さまざまなネットワーク構成にこの定義を適用し、多様なグラフタイプにおいて直感的で一貫性のある結果が得られることを示した。
• エッジ密度定義と絶対Pottsモデルとの等価性を確立し、理論的基盤を検証した。
• エッジ重みを考慮してエッジ密度を一般化することで、重み付きグラフへの定義の拡張を実現した。
• エッジ密度計算においてノードペア間の複数のエッジを許容することで、マルチグラフへの対応を実現した。
• 特に重複および局所的コミュニティ検出に有用な、F1スコアに基づく評価メトリクス $F_1^P$ を導入した。

実験結果

リサーチクエスチョン

• RQ1 内部エッジ密度に基づくコミュニティ定義は、重複および重み付きグラフを含む多様なネットワークタイプにおいて一貫性があり直感的な結果を生じるか？
• RQ2 このエッジ密度定義は、モジュラリティに基づく手法に共通する解像度の限界問題を回避するか？
• RQ3 提案された定義は、アフィリエーショングラフモデルや絶対Pottsモデルといった確立されたモデルとどのように比較できるか？
• RQ4 F1スコアメトリクス $F_1^P$ は、重複および局所的コミュニティの状況において、コミュニティ検出のパフォーマンスをどの程度効果的に評価できるか？
• RQ5 コミュニティ定義と検出アルゴリズムを分離することで、コミュニティ検出手法のより厳密で解析的に整合性のある評価が可能になるか？

主な発見

• エッジ密度に基づくコミュニティ定義は、絶対Pottsモデルと数学的に同等であり、多様なネットワークタイプにわたる一貫性と強固さを検証した。
• この手法は重複コミュニティおよび重み付きグラフを効果的に処理でき、非重複・非重み付きネットワークに限らないコミュニティ検出の適用範囲を拡張した。
• 定義は解像度の限界問題を回避しており、モジュラリティが直面するグローバルなネットワークサイズに依存する暗黙の依存性に起因する問題を有さない。
• 提案された $F_1^P$ メトリクスはコミュニティ検出のパフォーマンスを効果的に評価でき、$F_1^{IR}$ および $F_1^0$ が、正規化相互情報量や情報量の分散といった標準的なパーティション比較指標と強い相関を示した。
• このフレームワークにより、局所的コミュニティ検出が可能となり、重複および非重複コミュニティ構造に特化した適合度、再現率、F1スコアを用いたアルゴリズムパフォーマンスの原則的評価が可能になった。
• アフィリエーショングラフモデルとの照合により、この手法がベンチマークケースを正確に解けることが確認され、その正確性と信頼性が裏付けられた。